周學偉 付巾書 宋加山

摘? ?要：本文基于多因子混頻波動率模型，研究經濟政策不確定性對股市行業(yè)波動的影響，為預防出現(xiàn)結構性斷點，將樣本分為經濟增長和經濟平穩(wěn)兩個時期，分別探討兩個時期內經濟政策不確定性對股市波動的影響。研究發(fā)現(xiàn)，在全樣本時期貨幣政策不確定性會顯著增強行業(yè)波動，貿易和外匯政策不確定性會抑制行業(yè)波動，而財政政策不確定性的影響存在行業(yè)差異性;子樣本結果顯示，貿易政策不確定性對行業(yè)波動的影響存在非對稱性，在經濟增長期存在助推作用，在經濟平穩(wěn)期存在抑制作用;同時行業(yè)波動在經濟增長期對貿易政策反應敏感，在經濟平穩(wěn)期對財政政策反應敏感。

關鍵詞：政策不確定性;混頻數(shù)據;行業(yè)波動

中圖分類號：F830.91? 文獻標識碼：A? 文章編號：1674-2265（2020）05-0078-08

DOI：10.19647/j.cnki.37-1462/f.2020.05.013

一、引言

股價走勢及其波動是眾多因素合力作用的結果，而經濟政策不確定性在其中扮演重要角色。自2008年金融危機爆發(fā)以來，世界經濟復蘇乏力，為刺激經濟增長，各國相繼出臺大量經濟政策，導致經濟政策不確定性逐漸上升。經濟政策是調節(jié)宏觀經濟，促進市場平穩(wěn)發(fā)展的催化劑，但經濟政策的過度調整，會沖擊金融市場的穩(wěn)定性。相較于發(fā)達國家，我國股市素有“政策市”之稱，盡管政府正努力減少對市場的干預，但“政策市”特征仍明顯。對政策不確定性和股市波動的研究歷來是熱點問題，特別是在當前經濟下行壓力加大、外部環(huán)境深刻變化的背景下，研究政策不確定性與股市行業(yè)波動的關系具有重要意義。

對政策不確定性與股市行業(yè)波動的研究，首要問題是數(shù)據采樣頻率，政策不確定性多以月度、季度低頻數(shù)據為主，而股市數(shù)據大多是日內數(shù)據。以往研究為使數(shù)據匹配，往往將日度高頻數(shù)據轉化為月度或季度低頻數(shù)據，但此方法會損失含有豐富信息的日內高頻數(shù)據。國外學者多采用VAR、GARCH、Granger檢驗及Markov狀態(tài)轉換等模型研究政策不確定性對股市波動的影響。研究結果表明：貨幣政策不確定性對股市波動的影響存在非對稱效應，其在衰退期對市場波動影響更大（Chen等，2007;Engle等，2008;Basistha等，2008;Challe等，2011;Gospodinov等，2015）[1，2，3，4，5];此外在新興市場國家，政策不確定性和股價波動間存在雙向因果關系（Li等，2015）[6]。國內學者運用VAR模型發(fā)現(xiàn)，貨幣供給在短期內是推動股市波幅擴大的重要因素，但長期來看效果不明顯（肖洋等，2012）[7]。此外，GARCH模型也被國內學者廣泛應用于貨幣政策和股市波動的研究，結果表明貨幣政策對股市波動影響明顯且存在非對稱性，但投資者情緒會弱化此效應（陳其安等，2010;顧巧明等，2011;陳其安等，2017）[8，9，10]。與此同時，多元回歸分析也是研究政策和股市關聯(lián)性的常用方法，學者研究表明經濟政策不確定性上升會抑制股市波動，這種現(xiàn)象在股市上漲期更明顯（王明濤等，2012;周方召等，2019）[11，12]。

由于將高頻數(shù)據轉為低頻數(shù)據會損失樣本有效信息，因此國內外學者將目光轉向混頻研究，Ghysels 等（2007）[13]提出混頻數(shù)據抽樣模型（Mixed Data Sampling，MIDAS）模型，該模型將宏觀低頻數(shù)據與日內高頻數(shù)據聯(lián)系起來，能充分利用高頻數(shù)據的有效信息。為直觀洞悉宏觀經濟對股市波動的影響，Engle等（2013）[14]在MIDAS模型的基礎上提出混頻波動率（GARCH-MIDAS）模型，將股市波動分解為長期波動和短期波動兩部分，低頻變量刻畫長期成分，高頻變量刻畫短期成分。國外學者運用混頻波動率模型研究宏觀經濟對我國股票市場的作用，結果表明通貨膨脹與股市波動間聯(lián)系緊密（Girardin等，2013）[15]。國內學者運用混頻波動率模型重點分析經濟景氣指數(shù)、宏觀經濟等變量對上證綜指波動的影響，結果表明宏觀經濟對股市波動存在影響，但具有階段差異性（鄭挺國等，2014）[16]。夏婷等（2018）[17]將混頻波動模型應用于政策不確定性與股市波動的研究中，其政策不確定性指標基于Baker等（2016）[18]提出的中國經濟政策不確定性指數(shù)，研究表明經濟政策不確定性對A股無顯著影響。綜上所述，目前國內對政策不確定性與股市波動的研究已較為成熟，但存在同頻涉及較多、混頻涉及較少的現(xiàn)象，且混頻部分更多著眼于宏觀經濟與股市波動的研究，對政策不確定性的涉獵不多。

因此，筆者擬在Engle等（2013）[14]的基礎上，構建多因子混頻波動率模型，并將其運用于分析經濟政策不確定性對行業(yè)波動的影響。本文主要創(chuàng)新點在于：一是借鑒Huang等（2018）[19]的文獻，對經濟政策不確定性作進一步細分，分為財政政策不確定性、貨幣政策不確定性、貿易政策不確定性和外匯政策不確定性，有利于筆者深入研究不同的經濟政策對行業(yè)波動的影響。二是與現(xiàn)有文獻重點關注市場波動不同，筆者將視角轉向行業(yè)層面，可進一步探析經濟政策對股市波動的影響機理。

論文框架如下：第二部分是模型介紹，并構建多因子混頻波動模型;第三部分是實證分析，包含數(shù)據描述、基準模型等;第四部分是結論與政策建議。

二、模型介紹

宏觀變量往往是月度或季度低頻數(shù)據，因此在研究宏觀因素對股市波動影響時，為使數(shù)據匹配，現(xiàn)有方法往往將日度高頻數(shù)據轉化為月度低頻數(shù)據來構建模型。但此方法會損失日度數(shù)據的有效部分，導致估計結果產生偏誤，無法準確度量宏觀因素對股市波動的影響。Ghysels等（2007）[13]提出MIDAS，可將宏觀低頻數(shù)據和高頻數(shù)據聯(lián)系起來，避免因數(shù)據轉化造成估計偏誤。Engle等（2013）[14]在此基礎上，構建GARCH-MIDAS模型，突破以往同頻模型的限制，可用于分析低頻變量對股市波動的影響，并將市場波動分為長期和短期兩部分。本文借鑒Engle等（2013）[14]的文獻，構建多因子GARCH-MIDAS模型，用于分析政策不確定性對行業(yè)波動的影響。

在金融市場中，股價不僅與公司自身的經營狀況相關，且與經濟政策密切關聯(lián)。因此，在式（1）中將股票波動分解為兩部分：[gi，t]代表短期部分，[τt]代表長期部分。[gi，t]與流動性或其他短期因素相關，[τt]與宏觀經濟變量有關，可解釋市場長期波動的來源，文中指政策不確定性。[εi，t]服從均值為0、方差為1的正態(tài)分布，[σ2i，t]是整體市場波動。

在基準模型中長期波動受已實現(xiàn)波動率（Realized Volatility，簡稱RV）的影響，收益率[ri，t]指在第[t]期第[i]天的收益率，[t]可為月份、季度、半年等，在本文中選擇[t]為月份，那么[Nt]=22。

上述模型均是在單因子框架下進行研究，但其無法捕捉多個變量的邊際貢獻，甚至會存在模型誤設問題。因此本文在現(xiàn)有文獻基礎上（鄭挺國等，2014）[16]對混頻波動率模型作進一步拓展，將其變?yōu)樗囊蜃幽Ｐ汀ＴO定多因子模型有助于更好捕捉政策不確定性對股市波動的長期影響，深入了解經濟政策對股市波動的內在機理。同時應當注意，在進行多因子建模時要考慮變量共線性問題?，F(xiàn)將宏觀經濟政策嵌入模型中，構建多因子混頻波動率模型，如式（8）所示：

[Xjt-k]為宏觀變量，[θj]是各宏觀變量對應系數(shù)，表示經濟政策不確定性對股市波動的邊際貢獻，[ω]為加權方式，極大似然函數(shù)為式（9）。

三、實證分析

（一）數(shù)據描述

本文旨在研究政策不確定性對股市行業(yè)波動的影響，因此行業(yè)數(shù)據選取中證行業(yè)指數(shù)，分為主要消費、原材料、醫(yī)藥衛(wèi)生、信息技術、能源、可選消費、金融地產、公用事業(yè)、工業(yè)和電信服務十大行業(yè)，政策不確定性選擇Huang等（2018）構建的中國經濟政策不確定性指數(shù)作為政策不確定性的代理變量，并將其分為財政政策（Fiscal）、貨幣政策（Monetary）、貿易政策（Trade）和外匯政策（EXR）四大不確定性指數(shù)，以上數(shù)據區(qū)間為2005年1月至2019年10月?？紤]到中國人更加了解本國經濟政策變動情況，且Huang等（2018）將政策不確定性分為四大指數(shù)，使筆者能深入研究不同政策變動對行業(yè)波動的影響，因此本文并未選擇Baker等（2016）提出的中國經濟政策不確定性指數(shù)。中證指數(shù)有限公司是由深交所和上交所共同發(fā)起成立的專門從事證券指數(shù)開發(fā)服務的公司，其發(fā)布的中證行業(yè)指數(shù)基本覆蓋我國各行業(yè)上市龍頭企業(yè)，具有行業(yè)覆蓋面廣、代表性強等特征，其行業(yè)指數(shù)數(shù)據最早可追溯至2005年。

表1給出各行業(yè)對數(shù)收益率描述性統(tǒng)計，由表1可知，收益率的中位數(shù)和平均值較小，接近于0，表明收益率在0附近上下波動;10個行業(yè)均存在跌停時刻，除主要消費、原材料和公用事業(yè)外，其余7個行業(yè)存在漲停時刻;從標準差可看出，信息技術、能源、電信服務的行業(yè)收益率波動相對較大;由最后兩列可看出行業(yè)收益率均存在左偏現(xiàn)象，發(fā)生尾部風險的概率更大。

圖1是財政政策、貨幣政策、貿易政策和外匯政策不確定性時序圖。由圖可知外匯政策有兩個峰值：一是在2011年附近，二是在2016年附近。自2008年金融危機后，我國以市場供求為基礎、參考一籃子貨幣進行調節(jié)、有管理的浮動匯率制度發(fā)揮了積極作用。在經濟回升向好的背景下，2010年6月19日中國人民銀行宣布進一步推進人民幣匯率形成機制改革，增強人民幣匯率彈性。自公告發(fā)布后，人民幣匯率在短期內持續(xù)走強，由年初的6.8攀升至年末6.6附近。外匯政策第二次劇烈變動是2015年“811匯改”，此次改革調整人民幣中間價形成機制，由原來盯住單一美元制調整為盯住一籃子貨幣。自匯改政策發(fā)布后，市場反應劇烈，引起人民幣匯率大幅波動，創(chuàng)20年最大跌幅。2008年金融危機發(fā)生后，為防止經濟全面下滑，我國實行“雙松”的財政政策和貨幣政策，由圖可知2005—2012期間財政和貨幣政策不確定性逐漸上升，2013年我國經濟工作重點是“穩(wěn)中求進”，防止經濟過熱，因此財政政策和貨幣政策趨于穩(wěn)健，不確定性下降，此外由曲線變動可知兩者存在同步性。在曲線前半部分貿易政策不確定性變化較小，進入2017年后受中美貿易摩擦影響其波幅迅速擴大。綜上所述，Huang等（2018）[19]構建的經濟政策不確定性指數(shù)能及時捕捉政策變動情況，其為下文分析提供支撐。

圖2是政策不確定性波動走勢圖，由圖可明顯看出財政政策和貨幣政策存在同步性，但財政政策不確定性波動要大于貨幣政策不確定性波動，外匯政策不確定性波動有兩個峰值，貿易政策不確定性在曲線尾端波動劇烈，這都與上文分析一致。

（二）基準模型

單因子混頻波動率模型中低頻變量為已實現(xiàn)波動率，因此本文研究已實現(xiàn)波動率對行業(yè)波動的長期影響。由Engle等（2013）[14]研究可知，月度已實現(xiàn)波動率擬合效果最好，表2列出基于月度已實現(xiàn)波動率的GARCH-MIDAS模型。由表可知，[α+β]明顯小于1，但在標準GARCH模型中其接近于1，這一結果與國外學者研究一致（Engle等，2013;Engle等，2008）[14，2]。同時，[θ]大都在1%的水平下顯著為正，表明已實現(xiàn)波動率上升會引起行業(yè)指數(shù)下期波動增加。

為簡化篇幅，圖3只列示主要消費行業(yè)的長短期波動時序圖，由圖可知，長期波動和整體波動對金融市場兩次危機事件都有明顯反應，表明混頻波動模型能較好捕捉市場變動。同時，長期波動較整體波動更平滑，整體變動要先于長期波動對市場產生反應。

（三）多因子模型

由于基準模型只能衡量單個變量對股市波動的長期影響，無法同時捕捉多個變量的邊際貢獻，可能會由于忽視其他變量的作用存在模型誤設問題，因此本文使用多因子GARCH-MIDAS模型研究政策不確定性對股市波動的影響，有助于更好地捕捉行業(yè)波動運行趨勢，深入認識不同經濟政策對行業(yè)波動的作用機理。但在設定多因子模型時，要考慮變量間的相互作用，避免發(fā)生多重共線性，導致估計存在偏誤。因此，在估計多因子模型前，本文對4個政策不確定性變量進行VIF檢驗。表4列出共線性檢驗結果，由表可知4個變量的VIF值均低于10，且容忍度均大于0.1，可判斷變量間不存在多重共線性。

表4列示主要消費、原材料、醫(yī)藥衛(wèi)生、信息技術和能源行業(yè)的多因子模型估計結果，由表4可知，[α]和[β]的估計結果與上文類似，兩者之和明顯小于1。整體來看，表4內[θ]值大都在5%的水平下顯著，其中財政政策不確定性和外匯政策不確定性對行業(yè)波動具有顯著抑制作用;貨幣政策不確定性對行業(yè)波動具有推動作用;貿易政策不確定性對主要消費行業(yè)波動有明顯抑制作用，對其余行業(yè)無顯著作用。比較基準模型和多因子模型的對數(shù)似然值和AIC可知，多因子模型要優(yōu)于基準模型。

表5列示可選消費、金融地產、公用事業(yè)、工業(yè)和電信業(yè)務行業(yè)的多因子模型估計結果，貿易政策不確定性和外匯政策不確定性與表4一致，均對行業(yè)波動有抑制作用，而財政政策不確定性和貨幣政策不確定性表現(xiàn)不一，前者對可選消費、公用事業(yè)和工業(yè)部門指數(shù)波動具有抑制作用，對金融和電信行業(yè)波動具有助推作用;后者對電信行業(yè)波動具有抑制作用，但會提高其余行業(yè)收益率波動。

將表4和表5結合來看，可獲得更多信息。第一，貿易政策不確定性和外匯政策不確定性對行業(yè)指數(shù)波動存在抑制效應，財政政策不確定性和貨幣政策不確定性對行業(yè)指數(shù)波動存在行業(yè)差異性，前者對金融地產和電信部門收益率波動存在促進作用，對其余行業(yè)收益率波動具有抑制作用;后者對電信部門行業(yè)波動存在抑制效應，對其余部門收益波動具有助推作用。第二，財政政策不確定性和貨幣政策不確定性均對信息技術、原材料和能源部門影響最大，表明兩者聯(lián)系緊密，對行業(yè)波動影響存在一致性。貿易政策不確定性對可選消費、金融地產和能源部門有較大影響，外匯政策不確定性對金融地產、信息技術和原材料部門影響大。綜上所述，政策不確定性間存在某種聯(lián)動性，財政政策和貨幣政策表現(xiàn)明顯。

圖4是多因子模型權重圖，由圖可知，行業(yè)波動對經濟政策不確定性的敏感程度有所差異。第一，消費行業(yè)、信息技術對財政政策反應敏感，原材料、醫(yī)藥衛(wèi)生、能源、金融地產、公用事業(yè)對貿易政策反應敏感，工業(yè)和電信部門對外匯政策反應敏感。第二，信息行業(yè)對財政政策的反應較為平均，其余行業(yè)存在先增后降現(xiàn)象，表明財政政策不確定性對行業(yè)波動的影響具有先加深后減弱的規(guī)律，貿易政策不確定性也存在此現(xiàn)象。第三，貨幣政策不確定性對信息技術、能源、可選消費、金融地產和公用事業(yè)部門的影響呈遞增趨勢，說明貨幣政策對這些行業(yè)的影響具有持續(xù)性。第四，外匯政策不確定性僅對金融地產部門具有持續(xù)性特征，表明匯市和股市聯(lián)系密切。

（四）結構變化

由于我國經濟增長存在階段差異性，若從全樣本出發(fā)分析政策不確定性對行業(yè)波動的影響，無法捕捉階段特征，易忽視某些重要信息。同時，已有研究表明政策不確定性的時變特征明顯，在不同時期對股市波動的影響存在差異（Li等，2015）[6]。圖5是工業(yè)增加值及其波動率時序圖，由圖可知工業(yè)增加值在前期一直處于高位，在2012年左右開始逐漸下滑，波動率也存在類似現(xiàn)象，前期波幅大，后期波幅小，說明筆者的擔心不無道理。因此本文擬將全樣本劃分為T1時期（2005—2012年）和T2時期（2013—2019年），T1是經濟高速增長期，T2是經濟平穩(wěn)期，以期研究不同的經濟環(huán)境下政策不確定性對行業(yè)波動的影響。

圖5揭示分階段研究政策不確定性對行業(yè)波動影響的重要性，因此在表6中匯報T1和T2分階段參數(shù)估計結果。第一，財政政策不確定性在T1和T2時期對行業(yè)波動都具有抑制作用，表明當財政政策不確定性上升時，行業(yè)波動將下降。深入分析可發(fā)現(xiàn)，財政政策不確定性在T1時期對醫(yī)藥部門無影響，在T2時期其影響范圍有所縮小。第二，貨幣政策不確定性在兩階段對行業(yè)波動均存在助推作用，在T1時期其影響范圍有限，T2時期影響范圍擴大，表明隨著我國金融市場的不斷完善，貨幣政策和股市間的傳導渠道被逐漸打通。第三，貿易政策不確定性對行業(yè)波動的影響存在非對稱性，在T1時期行業(yè)波動隨貿易政策不確定性的上升而增強，T2時期呈相反態(tài)勢。第四，外匯政策不確定性與財政政策不確定性一致，對行業(yè)波動存在抑制作用，其在T2時期的影響范圍較T1時期有所擴大，2015年“811匯改”使匯率機制進一步市場化或是其潛在成因。

圖6是T1、T2時期政策不確定性權重圖。上半部分是T1時期權重圖，下半部分是T2時期權重圖，受篇幅所限此處只列示部分行業(yè)。整體來看，政策不確定性在不同時期對同一行業(yè)的權重分布存在顯著差異。對主要消費行業(yè)來說，其在兩階段均對財政政策不確定性和貿易政策不確定性反應敏感，對外匯和貨幣政策不確定性存在滯后反應。在原材料行業(yè)中，T1時期與主要消費一致，對財政和貿易政策反應敏感，但在T2時期對貿易政策不確定性存在明顯滯后。醫(yī)藥部門對貨幣政策不確定性反應敏感，此現(xiàn)象在T1時期體現(xiàn)明顯。信息部門在T1時期對貿易政策不確定性敏感，在T2時期對財政政策敏感。能源部門在T1時期對政策不確定性的反應速度大體一致，但在T2時期對貿易政策不確定性的反應存在明顯滯后。對權重圖做整體分析可知，T1時期行業(yè)波動對貿易政策不確定性反應敏感，T2時期對財政政策不確定性反應敏感，此現(xiàn)象在其余行業(yè)中也存在。

四、結論與政策建議

本文在Engle等（2013）[14]研究基礎上構建多因子混頻波動率模型，并將其運用于分析政策不確定性對行業(yè)波動的影響，其中行業(yè)數(shù)據選擇中證公司發(fā)布的中證行業(yè)指數(shù)，對于政策不確定性，筆者在文中作進一步細分，分為財政、貨幣、貿易、外匯四個政策不確定性，數(shù)據區(qū)間為2005年1月—2019年10月。在此基礎上，本文首先估計基準模型，甄別已實現(xiàn)波動率對股市波動的長期影響。其次，從全樣本出發(fā)，運用多因子模型，研究財政、貨幣、貿易、外匯四大政策不確定性對行業(yè)波動的長期影響，并分析政策不確定性的權重變化。最后，由于經濟增長存在階段差異性，若從全樣本出發(fā)分析政策不確定性對行業(yè)波動的影響，易忽視某些重要信息。因此為預防出現(xiàn)結構性變化，筆者將全樣本劃分為T1（2005—2012年）、T2（2013—2019年）兩階段，并分析權重前后變化。結論如下：

第一，貨幣政策不確定性和已實現(xiàn)波動率在全樣本時期對行業(yè)波動有助推效應，貿易政策不確定性和外匯政策不確定性會抑制行業(yè)波動，而財政政策不確定性對行業(yè)波動的影響存在行業(yè)差異性。進一步分析發(fā)現(xiàn)，政策不確定性間存在某種聯(lián)動性，其中財政政策不確定性和貨幣政策不確定性表現(xiàn)明顯。

第二，在全樣本上行業(yè)波動對經濟政策不確定性的敏感程度存在差異，消費行業(yè)和信息行業(yè)對財政政策不確定性反應敏感，原材料、金融地產、醫(yī)藥、公用事業(yè)、能源對貿易政策不確定性反應敏感，工業(yè)和電信行業(yè)對外匯政策反應敏感。與此同時，外匯政策不確定性僅對金融地產的行業(yè)波動具有持續(xù)性。

第三，對子樣本估計結果分析可知，隨著我國金融市場的不斷完善，貨幣政策和股市間的傳導渠道被逐漸打通，同時外匯政策不確定性在T2時期對行業(yè)波動的影響范圍擴大，2015年“811匯改”或是其潛在成因，匯改后股市和匯市聯(lián)動性日漸加強。

第四，通過分析子樣本權重圖可知，在子樣本內行業(yè)波動對經濟政策不確定性的反應存在較大差異。整體來看，T1時期行業(yè)波動對貿易政策不確定性反應敏感，T2時期對財政政策不確定性反應敏感。

上述結論對監(jiān)管機構具有參考意義：第一，明晰各政策不確定性對行業(yè)波動的影響效應，例如在2013—2019年經濟平穩(wěn)期，貨幣政策不確定性會增強行業(yè)波動，財政、貿易、外匯會抑制行業(yè)波動，這為政府機構出臺政策提供有益參考，當市場出現(xiàn)異常情況時，政府可組合各種政策避免出現(xiàn)系統(tǒng)性危機事件。第二，由上文可知現(xiàn)階段行業(yè)波動對財政政策不確定性反應敏感，因此政府應注重保持財政政策的連續(xù)性，從而減輕其對金融體系穩(wěn)定性的沖擊。

本文是筆者對經濟政策不確定性與行業(yè)波動的階段性研究成果，還有很多問題值得深入研究。例如，可進一步比較政策不確定性對債市、匯市、股市波動的異同，或探究政策不確定性間的聯(lián)動特征，或對中美兩國股票市場的經濟政策進行比較研究等等，筆者將在后續(xù)研究中重點關注這些問題。

參考文獻：

[1]Chen，S. 2007. Does Monetary Policy Have Asymmetric Effects on Stock Returns？ [J].Journal of Money Credit & Banking，39（2）.

[2]Engle， R. F.，Rangel，J. G. 2008. The Spline-GARCH Model for Low-Frequency Volatility and Its Global Macroeconomic Causes [J].Review of Financial Studies，21（3）.

[3]Basistha，A.，Kurov，A. 2008. Macroeconomic cycles and the stock markets reaction to monetary policy [J]. Journal of Banking & Finance，32（12）.

[4]Challe， E.，Giannitsarou， C. 2011. Stock Prices and? ?Monetary Policy Shocks：A General Equilibrium Approach [J].Journal of Economic Dynamics and Control，40（1）.

[5]Gospodinov，N.，Jamali， I. 2015. The Response of Stock Market Volatility to Futures-based Measures of Monetary Policy Shocks [J].International Review of Economics & Finance，37.

[6]Li，X.，Balcilar，M.，Gupta，R. et al. 2015. The Causal Relationship Between Economic Policy Uncertainty and Stock Returns in China and India： Evidence from a Bootstrap Rolling Window Approach [J].Emerging Markets Finance and Trade，52（3）.

[7]肖洋，倪玉娟，方舟.股票價格、實體經濟與貨幣政策研究——基于我國1997—2011年的經驗證據 [J].經濟評論， 2012，（2）.

[8]陳其安，張媛，劉星.宏觀經濟環(huán)境、政府調控政策與股票市場波動性——來自中國股票市場的經驗證據? [J]. 經濟學家，2010，（2）.

[9]顧巧明.我國股市波動的長記憶性與貨幣政策的非對稱性研究 [J].中國經濟問題，2011，（1）.

[10]陳其安，雷小燕.貨幣政策、投資者情緒與中國股票市場波動性：理論與實證 [J].中國管理科學，2017，25（11）.

[11]王明濤，路磊，宋鍇.政策因素對股票市場波動的非對稱性影響 [J].管理科學學報，2012，15（12）.

[12]周方召，賈少卿.經濟政策不確定性、投資者情緒與中國股市波動 [J].金融監(jiān)管研究，2019，（8）.

[13]Ghysels，E.，Sinko，A.，Valkanov， R. 2007. MIDAS Regressions：Further Results and New Directions [J].Econometric Reviews，26（1）.

[14]Engle，R. F.，Ghysels，E.，Sohn， B. 2013. Stock Market Volatility and Macroeconomic Fundamentals [J].Review of Economics and Statistics，95（3）.

[15]Girardin，E.，Joyeux， R. 2013. Macro Fundamentals as A Source of Stock Market Volatility in China：A Garch-MIDAS Approach [J].Economic Modelling，34.

[16]鄭挺國，尚玉皇.基于宏觀基本面的股市波動度量與預測 [J].世界經濟，2014，（12）.

[17]夏婷，聞岳春.經濟不確定性是股市波動的因子嗎？——基于GARCH-MIDAS模型的分析 [J].中國管理科學， 2018，26（12）.

[18]Baker，S. R.，Bloom，N.，Davis，S. J. 2016. Measuring Economic Policy Uncertainty [J].The Quarterly Journal of Economics，131（4）.

[19]Huang，Y.，Luk， P. 2019. Measuring Economic Policy Uncertainty in China [J]. 2019 Working Paper.